RU2440608C1 - Object recognition method based on fractal-wavelet analysis - Google Patents
Object recognition method based on fractal-wavelet analysis Download PDFInfo
- Publication number
- RU2440608C1 RU2440608C1 RU2010149154/08A RU2010149154A RU2440608C1 RU 2440608 C1 RU2440608 C1 RU 2440608C1 RU 2010149154/08 A RU2010149154/08 A RU 2010149154/08A RU 2010149154 A RU2010149154 A RU 2010149154A RU 2440608 C1 RU2440608 C1 RU 2440608C1
- Authority
- RU
- Russia
- Prior art keywords
- image
- fractal
- images
- calculating
- classification
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
Изобретение относится к радиоэлектронным системам и может быть использовано в различных областях техники, в частности при разработке и создании устройств распознавания при проектировании фрактальных радиосистем, основанных на фрактальных методах обработки информации.The invention relates to electronic systems and can be used in various fields of technology, in particular in the development and creation of recognition devices in the design of fractal radio systems based on fractal information processing methods.
Становление теории фракталов - яркий пример развития нового направления науки, в равной мере основанного как на достижениях в весьма абстрактных областях математики, так и на новом взгляде на давно известный эмпирический материал, который до создания адекватных теоретических моделей не поддавался научному описанию и интерпретации.The formation of fractal theory is a vivid example of the development of a new direction of science, based equally on achievements in very abstract areas of mathematics, and on a new look at the long-known empirical material, which before creating adequate theoretical models could not be scientifically described and interpreted.
Новые геометрические и топологические представления фрактального анализа в будущем станут такой же непременной частью анализа сигналов и волн, какой стал Фурье-анализ (Новейшие методы обработки изображений. / Под ред. А.А.Потапова. - М.: ФИЗМАТЛИТ, 2008).The new geometric and topological representations of fractal analysis in the future will be the same indispensable part of the analysis of signals and waves, which became the Fourier analysis (The latest methods of image processing. / Ed. By A.A. Potapov. - M .: FIZMATLIT, 2008).
Известны также способы анализа структуры изображения, основанные на методах сегментации, которые подразделяют изображение на составляющие его области или объекты. Один из возможных методов сегментации основан на выделении контуров на изображении. Контуры в свою очередь - это такие кривые на изображении, вдоль которых происходит резкое изменение яркости (разрыв яркости) или ее производных по пространственным переменным. Во многих ситуациях именно контуры являются наиболее информативными составляющими изображения. Существуют три основные причины возникновения контуров на изображении:Also known are methods of analyzing the image structure based on segmentation methods, which subdivide the image into its constituent regions or objects. One of the possible methods of segmentation is based on the selection of contours in the image. Contours, in turn, are such curves in the image along which there is a sharp change in brightness (brightness gap) or its derivatives with respect to spatial variables. In many situations, it is the contours that are the most informative components of the image. There are three main reasons for the appearance of contours in the image:
- нарушения непрерывности ориентации поверхности;- violation of the continuity of surface orientation;
- изменения отражательной способности поверхности;- changes in surface reflectivity;
- эффекты, связанные с освещением, такие как, например, тени.- effects associated with lighting, such as, for example, shadows.
Выделение контуров - ключевой начальный шаг в оптической локации. К этой задаче относится задача зависимого использования различных двумерных производных. Во многих случаях, это аналогично выделению участков, соответствующих характерным точкам производной, например таким, как ее максимумы или нули. В определенных случаях прежние алгоритмы, основанные на бинарных признаках, а именно на наличии или отсутствии контуров, полностью совпадают или аналогичны алгоритмам, в которых непосредственно используются непрерывные значения производных. С этой точки зрения задача, обычно называемая выделением контуров, состоит в выборе дифференциального оператора, пригодного для дальнейшей обработки изображений (Маар Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. - М.: Радио и связь, 1987).Contouring is a key initial step in optical location. This task includes the problem of the dependent use of various two-dimensional derivatives. In many cases, this is similar to highlighting areas corresponding to the characteristic points of the derivative, for example, such as its maxima or zeros. In certain cases, the previous algorithms based on binary signs, namely, on the presence or absence of contours, completely coincide or are similar to algorithms in which continuous values of derivatives are directly used. From this point of view, the task, usually called contouring, is to choose a differential operator suitable for further processing of images (Maar D. Vision. Information approach to the study of the representation and processing of visual images. - M .: Radio and communication, 1987).
Простейшей моделью контура на изображении является прямая, разделяющая две области с постоянной яркостью В1 и В2, как изображено фиг.1. Для данной модели необходимо определить единичную ступенчатую функцию u(z) в видеThe simplest model of the contour in the image is a straight line dividing two regions with constant brightness B 1 and B 2 , as shown in FIG. For this model, it is necessary to determine the unit step function u (z) in the form
Данная функция является интегралом от одномерного единичного импульсаThis function is an integral of a one-dimensional unit momentum
Резкое изменение яркости приводит к возникновению пика или впадины первой производной, что эквивалентно пересечению нулевого уровня со второй производной, как показано на фиг.2-4.A sharp change in brightness leads to a peak or trough of the first derivative, which is equivalent to the intersection of the zero level with the second derivative, as shown in Fig.2-4.
Таким образом, в результате вычисляется величина (первая, вторая производная, контрастность), которая может принимать широкий спектр значений. Однако результат выделения контура должен быть бинарным, т.е. точки, в которых идентифицирован контур, принимаются равными единице, а все остальные точки равны нулю. За применением операторов, использующих первую производную, должен следовать поиск экстремальных значений результата. Наиболее простой способ - это введение порога. Если значение оператора больше некоторого порогового значения, то данная точка является точкой контура, в противном случае считается, что в данной точке контур не обнаружен.Thus, as a result, a quantity is calculated (first, second derivative, contrast), which can take a wide range of values. However, the result of the contour selection must be binary, i.e. the points at which the contour is identified are taken equal to unity, and all other points are equal to zero. The use of operators using the first derivative should be followed by a search for extreme values of the result. The easiest way is to enter a threshold. If the value of the operator is greater than a certain threshold value, then this point is a contour point, otherwise it is assumed that no contour is detected at this point.
Следовательно, возникает трудность при разработке вычислительных схем для выделения контуров (контур пропущен или ложный контур).Therefore, it becomes difficult to develop computational schemes for isolating loops (a loop is missing or a false loop).
Цель изобретения - классификация объектов по их изображениям с применением фрактальной размерности, которая представляет собой меру самоподобия сигнала, т.е. для ее вычисления требуется определить фрактальную сигнатуру S на нескольких масштабах.The purpose of the invention is the classification of objects according to their images using a fractal dimension, which is a measure of signal self-similarity, i.e. to calculate it, it is necessary to determine the fractal signature S on several scales.
Цель достигнута тем, что проводится преобразование масштаба изображения, расчет матриц разложения, измерение фрактальной сигнатуры изображения и расчет фрактальной размерности изображений для последующей классификации объектов.The goal is achieved by the fact that the image scale is converted, the decomposition matrices are calculated, the fractal signature of the image is measured, and the fractal dimension of the images is calculated for the subsequent classification of objects.
Моделью для измерения фрактальной сигнатуры является двумерная сцена с рельефом, высотами которого являются значения яркостей элементов (пикселей) изображения. На фиг.5 изображен простейший треугольник Серпинского и его представление в виде рельефа.A model for measuring a fractal signature is a two-dimensional scene with a relief, the heights of which are the brightness values of the image elements (pixels). Figure 5 shows the simplest Sierpinski triangle and its representation in the form of a relief.
Мерой S может служить площадь полученного рельефа. Вычисление площади будем производить методом триангуляции. При этом четыре соседних узла массива-изображения разбиваются на две тройки, а затем производится измерение площади треугольника «вперед» - Sf и треугольника «назад» - Sb. Общая площадь составит S1=Sf+Sb. Для вычисления площади всего изображения необходимо перебрать все четверки узлов.Measure S can be the area of the resulting relief. We will calculate the area by the triangulation method. In this case, four neighboring nodes of the image array are divided into two triples, and then the area of the triangle “forward” - S f and the triangle “backward” - S b are measured. The total area is S 1 = S f + S b . To calculate the area of the entire image, it is necessary to sort through all four nodes.
Таким образом, получим значение фрактальной сигнатуры на одном масштабе. Для вычисления фрактальной размерности необходимы эти значения как минимум на двух масштабах. А для уверенного распознавания на нескольких (до 6-7).Thus, we obtain the value of the fractal signature on one scale. To calculate the fractal dimension, these values are required at least on two scales. And for confident recognition on several (up to 6-7).
Несомненно, наиболее мощным инструментом для анализа изображений на различных масштабах является вейвлет-преобразование. Применяя это преобразование к изображению, получаем аппроксимирующее изображение-массив (А) более крупного масштаба и четыре детализирующих изображения-массива для горизонтальных, вертикальных и диагональных деталей (Н, V, D). Далее, это преобразование применяется итеративно к матрице А для каждого уровня изображения. Таким образом, получаем многоуровневое разложение изображения по масштабам, кратности 2. На фиг.6 изображена схема многоуровневого вейвлет-разложения, а на фиг.7 пример вейвлет-разложения первого уровня.Undoubtedly, the wavelet transform is the most powerful tool for analyzing images at various scales. Applying this transformation to the image, we get an approximating image-array (A) of a larger scale and four detailed image-arrays for horizontal, vertical and diagonal details (H, V, D). Further, this transformation is applied iteratively to matrix A for each image level. Thus, we obtain a multi-level decomposition of the image in scale,
Таким образом, имеется изображение на масштабах, кратных 2. Фрактальная размерность вычисляется по следующей формуле (Новейшие методы обработки изображений. / Под ред. А.А.Потапова. - М.: ФИЗМАТЛИТ, 2008):Thus, there is an image at scales that are multiples of 2. The fractal dimension is calculated by the following formula (The latest image processing methods. / Ed. By A.A. Potapov. - M.: FIZMATLIT, 2008):
где S - фрактальная сигнатура;where S is the fractal signature;
δ - масштаб;δ is the scale;
Δ - шаг дискретизации по масштабу;Δ is the sampling step in scale;
Эта фрактальная размерность вычисляется для нескольких уровней вейвлет-разложения и строится график.This fractal dimension is calculated for several levels of wavelet decomposition and a graph is constructed.
На фиг.8, в качестве примера, нами представлено изображение спутника и графики его фрактальных размерностей D на разных масштабах A, H, V, D соответственно. Как видно, изображение нефрактально (D отлично от 2).On Fig, as an example, we present an image of the satellite and graphs of its fractal dimensions D at different scales A, H, V, D, respectively. As you can see, the image is non-fractal (D is different from 2).
В классическом подходе задача обнаружения объекта на фоне звездного неба является весьма нетривиальной. Применяются детекторы границ, различные корреляционные методы, однако, все эти методы подходят для частных случаев и требуют постоянной подстройки под новую задачу. Предлагаемый способ фрактально-вейвлетного распознавания решает такую задачу с легкостью. Дело в том, что звездное небо представляет собой фрактальную структуру, а спутник - творение человека, наоборот, не фрактален. Таким образом, если спутника нет на изображении, фрактальная размерность близка к двум. Как только на изображении появляется спутник - фрактальная размерность резко меняется. Также, помимо звездного неба, фрактальными структурами являются природные ландшафты, на фоне которых успешно могут быть распознаны различные объекты, созданные человеком.In the classical approach, the task of detecting an object against the background of the starry sky is very non-trivial. Border detectors, various correlation methods are used, however, all these methods are suitable for special cases and require constant adjustment to a new problem. The proposed method of fractal-wavelet recognition solves this problem with ease. The fact is that the starry sky is a fractal structure, and the satellite - the creation of man, on the contrary, is not fractal. Thus, if the satellite is not in the image, the fractal dimension is close to two. As soon as a satellite appears in the image, the fractal dimension changes dramatically. Also, in addition to the starry sky, fractal structures are natural landscapes, against which various objects created by man can be successfully recognized.
На фиг.9 изображен треугольник Серпинского и спутник на его фоне и графики их фрактальных размерностей. Треугольник Серпинского - один из примеров классических фрактальных изображений. Как видно из графиков, спектральная размерность изображения, на котором присутствует спутник, резко отличается. Таким образом, возможен анализ изображения с использованием фрактального детектора.Figure 9 shows the Sierpinski triangle and satellite on its background and graphs of their fractal dimensions. The Sierpinski Triangle is one example of classic fractal images. As can be seen from the graphs, the spectral dimension of the image on which the satellite is present is very different. Thus, image analysis using a fractal detector is possible.
Для распознавания, в первую очередь, нужно учитывать фрактальные размерности для матрицы-изображения А, которая показывается на левом верхнем графике.For recognition, first of all, it is necessary to take into account the fractal dimensions for the image matrix A, which is shown in the upper left graph.
На фиг.10 приведены изображения спутника под разными углами и графики их фрактальных размерностей. Как видно из графиков, а в особенности из графика фрактальной размерности для А, фрактальные размерности изображений близки.Figure 10 shows satellite images at different angles and graphs of their fractal dimensions. As can be seen from the graphs, and especially from the graph of the fractal dimension for A, the fractal dimensions of the images are close.
Теперь вычислим фрактальные размерности для изображений разных спутников.Now we calculate the fractal dimensions for the images of different satellites.
На фиг.11 приведены изображения разных спутников и графики их фрактальных размерностей. Как видно из графиков, а в особенности из графика фрактальной размерности для А, фрактальные размерности изображений рознятся. Таким образом, возможно, построить фрактальный классификатор, который не будет зависеть от поворота спутника на изображении.Figure 11 shows images of different satellites and graphs of their fractal dimensions. As can be seen from the graphs, and especially from the graph of the fractal dimension for A, the fractal dimensions of the images differ. Thus, it is possible to construct a fractal classifier that will not depend on the rotation of the satellite in the image.
Была проведена проверка применения способа при воздействии шумов. На фиг.12 приведены изображения космической станции «Мир» - исходное и зашумленное Гауссовским размытием и шумом и графики их фрактальных размерностей. Как видно из графиков, а в особенности из графика фрактальной размерности для А, фрактальные размерности изображений близки. Следовательно, можно сделать вывод об устойчивости способа фрактально-вейвлетного распознавания к воздействию помех.A check was made of the application of the method when exposed to noise. Figure 12 shows the images of the Mir space station - the original and noisy Gaussian blur and noise, and graphs of their fractal dimensions. As can be seen from the graphs, and especially from the graph of the fractal dimension for A, the fractal dimensions of the images are close. Therefore, we can conclude that the method of fractal-wavelet recognition is resistant to interference.
Источники информацииInformation sources
1. Новейшие методы обработки изображений. / Под ред. А.А.Потапова. - М.: ФИЗМАТЛИТ, 2008.1. The latest image processing methods. / Ed. A.A. Potapova. - M .: FIZMATLIT, 2008.
2. Вопросы перспективной радиолокации. Коллективная монография. / Под ред. А.В.Соколова. - М.: Радиотехника, 2003.2. Issues of prospective radar. Collective monograph. / Ed. A.V.Sokolova. - M.: Radio Engineering, 2003.
3. Маар Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. - М.: Радио и связь, 1987.3. Maar D. Vision. An informational approach to the study of the representation and processing of visual images. - M.: Radio and Communications, 1987.
4. Зотов Р.В., Тормосин А.С. Шеванев Д.Н. Некоторые подходы к формированию эталонных признаков в системе распознавания космических объектов на основе фрактального анализа. - М: РАН сборник научных трудов «Избранные труды Российской школы по проблемам науки и технологий», 2010.4. Zotov R.V., Tormosin A.S. Shevanev D.N. Some approaches to the formation of reference features in the recognition system of space objects based on fractal analysis. - M: RAS collection of scientific papers "Selected Works of the Russian School on the Problems of Science and Technology", 2010.
5. Зотов Р.В., Лучин А.А. Метод формирования диаграмм отражения от элементов конструкции КА. - М.: Сборник научно - методических материалов. В/ч 03425. 2001.5. Zotov R.V., Luchin A.A. A method for generating reflection charts from spacecraft design elements. - M .: Collection of scientific and methodological materials. Military unit 03425.2001.
Claims (1)
применяя вейвлет-преобразование к изображению получаем аппроксимирующее изображение-массив (А) более крупного масштаба и четыре детализирующих изображения-массива для горизонтальных, вертикальных и диагональных деталей (Н, V, D), далее это преобразование применяется итеративно к матрице А для каждого уровня изображения, таким образом, получаем многоуровневое разложение изображения по масштабам, кратности 2, позволяющее на основе фрактальной размерности проводить анализ и распознавание объекта вне зависимости от ракурса наблюдения и воздействия помех. A method for recognizing objects based on fractal-wavelet analysis, based on transforming the image scale, calculating decomposition matrices, measuring the fractal signature of the image and calculating the fractal dimension of the images for the subsequent classification of the object, which consists in
applying the wavelet transform to the image, we obtain an approximating image-array (A) of a larger scale and four detailed image-arrays for horizontal, vertical and diagonal details (H, V, D), then this transformation is applied iteratively to the matrix A for each image level Thus, we obtain a multi-level decomposition of the image in scales of 2 multiplicity, which allows analyzing and recognizing an object based on the fractal dimension, regardless of the observation angle and interference interference.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2010149154/08A RU2440608C1 (en) | 2010-12-02 | 2010-12-02 | Object recognition method based on fractal-wavelet analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2010149154/08A RU2440608C1 (en) | 2010-12-02 | 2010-12-02 | Object recognition method based on fractal-wavelet analysis |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2440608C1 true RU2440608C1 (en) | 2012-01-20 |
Family
ID=45785778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2010149154/08A RU2440608C1 (en) | 2010-12-02 | 2010-12-02 | Object recognition method based on fractal-wavelet analysis |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2440608C1 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2552183C1 (en) * | 2014-05-20 | 2015-06-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Саратовский государственный технический университет имени Гагарина Ю.А." (СГТУ имени Гагарина Ю.А.") | Method of pulse signal isolation by time data |
RU2555238C1 (en) * | 2013-12-17 | 2015-07-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ" (КНИТУ-КАИ) | Digital image segmentation method (versions) |
RU2577188C1 (en) * | 2014-07-23 | 2016-03-10 | Сяоми Инк. | Method, apparatus and device for image segmentation |
RU2634374C2 (en) * | 2015-11-17 | 2017-10-26 | Закрытое акционерное общество "Радиотехнические и Информационные Системы воздушно-космической обороны" (ЗАО "РТИС ВКО") | Method of optical detecting low-contrast dynamic objects on complex atmospheric background |
RU2659812C1 (en) * | 2017-09-27 | 2018-07-04 | Алексей Сергеевич Грибков | Arrow-shaped signal rereflector |
CN113052370A (en) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | Marine environment element statistical prediction method based on space-time experience orthogonal function |
-
2010
- 2010-12-02 RU RU2010149154/08A patent/RU2440608C1/en not_active IP Right Cessation
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2555238C1 (en) * | 2013-12-17 | 2015-07-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ" (КНИТУ-КАИ) | Digital image segmentation method (versions) |
RU2552183C1 (en) * | 2014-05-20 | 2015-06-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Саратовский государственный технический университет имени Гагарина Ю.А." (СГТУ имени Гагарина Ю.А.") | Method of pulse signal isolation by time data |
RU2577188C1 (en) * | 2014-07-23 | 2016-03-10 | Сяоми Инк. | Method, apparatus and device for image segmentation |
RU2634374C2 (en) * | 2015-11-17 | 2017-10-26 | Закрытое акционерное общество "Радиотехнические и Информационные Системы воздушно-космической обороны" (ЗАО "РТИС ВКО") | Method of optical detecting low-contrast dynamic objects on complex atmospheric background |
RU2659812C1 (en) * | 2017-09-27 | 2018-07-04 | Алексей Сергеевич Грибков | Arrow-shaped signal rereflector |
CN113052370A (en) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | Marine environment element statistical prediction method based on space-time experience orthogonal function |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Road centerline extraction in complex urban scenes from LiDAR data based on multiple features | |
RU2440608C1 (en) | Object recognition method based on fractal-wavelet analysis | |
Xiao et al. | Three-dimensional point cloud plane segmentation in both structured and unstructured environments | |
Karuppusamy | Building detection using two-layered novel convolutional neural networks | |
US8294712B2 (en) | Scalable method for rapidly detecting potential ground vehicle under cover using visualization of total occlusion footprint in point cloud population | |
CN110390706B (en) | Object detection method and device | |
Bors et al. | Terrain analysis using radar shape-from-shading | |
CN107944353B (en) | SAR image change detection method based on contour wave BSPP network | |
Maas | Fast determination of parametric house models from dense airborne laserscanner data | |
US9805249B2 (en) | Method and device for recognizing dangerousness of object | |
Weinmann et al. | Preliminaries of 3D point cloud processing | |
Lunghi et al. | A multilayer perceptron hazard detector for vision-based autonomous planetary landing | |
Ullrich et al. | Noisy lidar point clouds: impact on information extraction in high-precision lidar surveying | |
Kumlu et al. | The multiscale directional neighborhood filter and its application to clutter removal in GPR data | |
Wang et al. | Edge detection of SAR images using incorporate shift-invariant DWT and binarization method | |
Özcan et al. | GPU efficient SAR image despeckling using mixed norms | |
CN112686871B (en) | SAR image change detection method based on improved logarithmic comparison operator and Gabor_ELM | |
Al-Temeemy et al. | Laser radar invariant spatial chromatic image descriptor | |
KR20110131675A (en) | Color region segmentation system for intelligent transportation system | |
Aksu et al. | 3D scene reconstruction from multi-sensor EO-SAR data | |
US20230127546A1 (en) | System and method for searching position of a geographical data point in three-dimensional space | |
Hnatushenko et al. | Voxel Approach to the Shadow Formation Process in Image Analysis | |
Qi et al. | Robust detection of small infrared objects in maritime scenarios using local minimum patterns and spatio-temporal context | |
Song et al. | GM-APD lidar single-source data self-guided: Obtaining high-resolution depth map | |
McDonald et al. | Use of ground-based LiDAR for detection of IED command wires on typical desert surfaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20121203 |